Прогнозы на ИИ: спрос, продажи, запасы, загрузка

Метод выбирают по данным, а не по моде. Если есть только история продаж по дням и нужен быстрый ответ, берут базовую модельбазовая модель Базовая модель (foundation model) это большая нейросеть, обученная на огромном объеме общих данных, которую потом приспосабливают к множеству конкретных задач. Подробнее в словаре временных рядов. Если кроме продаж известны цены, акции, остатки и погода, точнее работает градиентный бустингградиентный бустинг Градиентный бустинг это метод машинного обучения, который строит много небольших деревьев решений одно за другим, и каждое новое дерево исправляет ошибки уже построенных. Подробнее в словаре. Если рядов тысячи и нужна базовая линия, начинают с классики.

Порядок в списке по критериям этой страницы: сначала инструменты, которые можно применять в коммерции без условий и без долгой настройки, ниже те, у которых есть ограничения лицензии или нужен опытный аналитик. Речь здесь о прогнозах для бизнеса: спрос, продажи, запасы и загрузка.

Базовая модель временных рядов обучена заранее на огромном наборе чужих рядов и строит прогноз для вашего ряда без обучения. Это похоже на языковую модельбольшая языковая модель Большая языковая модель (LLM) это нейросеть, обученная на огромном объеме текстов, которая пишет, пересказывает и разбирает текст по запросу. Подробнее в словаре, только вместо слов числа. Термин разобран в словаре: базовая модель.

Chronos от Amazon открыта под Apache 2.0. По данным Amazon Science, модели Chronos и Chronos-Bolt вместе скачали с Hugging Face более 600 млн раз, а 20 октября 2025 года вышла Chronos-2.

TimesFM от Google Research: 31 августа 2026 года вышла TimesFM-3 на 330 млн параметров, обученная на триллионе точек. Это первая версия с многомерным прогнозом, и по данным Google она заняла первое место среди предобученных моделей в тесте GIFT-Eval. Веса третьей версии разрешены только для некоммерческого использования, код открыт под Apache 2.0.

Сильная сторона базовых моделей: прогноз в первый же день, без месяцев подготовки. Слабая: они не знают про вашу акцию на следующей неделе. Поэтому их сравнивают с бустингом на одном и том же отрезке истории.

Градиентный бустинг строит прогноз из сотен небольших деревьев решений, и каждое следующее исправляет ошибки предыдущих. В модель можно передать все, что влияет на спрос: цену, скидку, день недели, праздник, погоду, остаток на складе. Термин разобран в словаре: градиентный бустинг.

LightGBM создали в Microsoft, лицензия MIT. В статье на NIPS 2017 авторы показали, что LightGBM ускоряет обучение обычного градиентного бустинга более чем в 20 раз при почти той же точности.

XGBoost развивает открытый проект DMLC под Apache 2.0. По статье его авторов, XGBoost использовали 17 из 29 решений-победителей конкурсов Kaggle, описанных в блоге Kaggle за 2015 год.

Для прогноза на несколько недель вперед бустинг учат на признаках из прошлого: продажи прошлой недели, продажи того же дня год назад, скользящее среднее за месяц. Чем честнее собраны признаки, тем меньше разрыв между тестом и реальной работой.

Бустингу нужна подготовка: аналитик собирает признаки, проверяет модель на прошлых периодах и следит, чтобы в обучение не попали данные из будущего. Зато результат объясним: видно, какой фактор сдвинул прогноз.

Классические модели ARIMA и экспоненциальное сглаживание учитывают тренд и сезонность одного ряда. Они быстрые, понятные и до сих пор служат базовой линией: если новая модель не точнее классики, она не нужна.

StatsForecast от Nixtla собирает эти модели в одну библиотеку под Apache 2.0 и считает тысячи рядов параллельно. По счетчику PePy библиотеку скачали с PyPI 47 781 190 раз.

Prophet* открыли 23 февраля 2017 года под лицензией MIT. Его любят аналитики за то, что праздники и сезонность задаются вручную понятными параметрами. Для спроса с частыми акциями его сравнивают с бустингом на своих данных и оставляют тот метод, у которого ошибка меньше.

Порядок проверки один для всех методов: отложить последние месяцы истории, построить прогноз на них разными моделями, сравнить ошибку и выбрать модель по цифрам, а не по названию.

Chronos, XGBoost и StatsForecast открыты под Apache 2.0, LightGBM и Prophet под MIT. Обе лицензии разрешают коммерческое использование: модель можно встроить в закрытую систему компании и не открывать свой код.

С TimesFM сложнее. Код можно свободно использовать в бизнесе, но веса TimesFM 3.0 разрешены только для тестов и исследований. Строить на них прогнозы для рабочих решений компании нельзя без коммерческой лицензии Google.

Простыми словами: попробовать TimesFM-3 на своих данных и сравнить с другими моделями можно, а поставить ее прогноз в закупки или план продаж нельзя. Открытые веса версии 2.5 под Apache 2.0 можно применять и в коммерции.

Лицензию проверяют по репозиторию в день выбора, потому что условия меняются от версии к версии, как это случилось с TimesFM.

Прогноз полезен, когда заканчивается действием: заказать товар, перенести платеж, загрузить смену. Поэтому данные берут там, где компания ведет учет, а результат возвращают туда же. Как ИИ подключается к учету, описано на странице об интеграции с 1С.

Шаги запуска: выгрузить историю продаж и остатков из 1С хотя бы за год, проверить пропуски и дубли, построить прогноз двумя-тремя методами, сравнить с фактом последних месяцев и только потом показывать его закупщикам.

Метрику пилота фиксируют заранее: ошибка прогноза по каждой группе товаров и изменение дефицита и лишних остатков за тот же период. Если прогноз точнее, но закупщик ему не верит и заказывает по-старому, эффекта не будет. Поэтому в пилот сразу включают того, кто принимает решение о закупке.

Прогноз на одной панели с деньгами, долгами и сделками дает панель руководителя. Как ИИ отвечает на вопросы по данным компании, разобрано на странице об ИИ для аналитики данных, а прогнозирование спроса для закупок описано отдельно.